تأثير اطلاعات پيشين بر تشخيص انجمن در شبكه هاي اجتماعي به كمك تجزيه نامنفي ماتريس

The Impact of Prior Knowledge in Non-negative Matrix Factorization Applied to Community Detection in Social Networks

شبكه هاي اجتماعي در حال حاضر رشد بسيار چشم گيري در حوزه هاي مختلف علمي داشته است. حوزه هاي مربوط به آناليز شبكه باعث شده تا محققان بسياري علاقه مند به مطالعه ي ساختارهاي شبكه باشند. ساختار بر پايه انجمن يكي از مهم ترين خصوصيات شبكه هاي پيچيده است و يك مفهوم پايه اي در اكتشاف و درك شبكه هاست. در دنياي واقعي، اطلاعات توپولوژي به تنهايي اغلب براي پيدا كردن دقيق ساختار مناسب انجمن ناكافي است. اطلاعات پيشين بالقوه را مي توان از دانش موجود در دامنه بسياري از برنامه هاي كاربردي به دست آورد. بنابراين، چگونگي بهبود عملكرد تشخيص انجمن با تركيب توپولوژي شبكه با اطلاعات پيشين، مسأله اي چالش برانگيز است. در اين پژوهش، يك چهارچوب نيمه نظارتي يكپارچه براي ادغام توپولوژي شبكه با اطلاعات پيشين از آن براي تشخيص انجمن ارائه شده است. اگر اطلاعات پيشين نشان دهنده تعلق برخي از اعضاي شبكه به يك انجمن خاص باشد، مي-توان با افزودن اصطلاح تنظيم گراف براي تضعيف عدم تقارن فضاي پنهان اين گره ها، عمليات تشخيص را بهبود بخشيد. آزمايش هاي انجام شده بر روي مجموعه داده هاي متعلق به شبكه هاي مورد مطالعه نشان مي دهد روش پيشنهادي دقت تشخيص انجمن ها را به ويژه در شبكه هاي با ساختارهاي نامشخص افزايش مي دهد.